XGBoost在气体红外光谱识别中的应用

为解决气体红外光谱识别问题,引入提升算法中较新的研究成果——极端梯度提升(XGBoost)算法。选用实测的三氯甲烷、对二甲苯、四氯乙烯气体的红外光谱数据进行实验。首先在对原始数据进行预处理后,通过特征工程提取光谱特征,生成特征向量;然后建立XGBoost模型,并对模型参数进行调优;最后基于分类准确率指标,将所提模型与随机森林(RF)、支持向量机(SVM)、前馈神经网络(FNN)、卷积神经网络(CNN)模型进行对比。实验结果表明,XGBoost在气体红外光谱识别领域有着广阔的应用前景。     

基于IPLS-XGBoost算法的可见-近红外光谱鸡蛋新鲜度高效准确检测技术研究

针对传统光谱法检测鸡蛋新鲜度存在的效率低、准确率不够高等问题，提出采用可见-近红外光谱结合极度提升树(XGBoost)等算法对鸡蛋新鲜度分类进行研究，以期在保证足够高准确度的同时大幅提高检测效率。将不同储存条件下的鸡蛋作为样本，并分别划分为训练集和测试集，采用训练集的综合评价指标(F-measure)和准确率(Accuracy)评估分类模型的性能。具体地，首先利用可见-近红外光谱系统采集鸡蛋的反射光谱，将所得的光谱数据经过不同预处理后再结合随机森林(random forest, RF)、偏最小二乘(partial least squares, PLS)、支持向量机(support vector machine, SVM)、多层感知机(muhi-layer perception, MLP)以及XGBoost等分类算法构建鸡蛋新鲜度分类评估模型，并对比各模型性能指标。分析结果发现，经Savitzky-Golay一阶导(Savitzky Golay first-order derivative, SG-1^st-Der)预处理后的RF、 SVM、 XGBoost模型和经标...     

高光谱成像的多种类柑橘病虫药害叶片检测方法研究

影响柑橘生长的病虫药害种类繁多,目前的检测方法大多针对单一病症,开发基于高光谱成像和机器学习的多种类柑橘病虫药害叶片快速精准检测方法,对果园精准施药和柑橘产业健康发展具有重要意义。以果园自然发病的柑橘叶片为研究对象,包括柑橘正常叶(50片)、溃疡病叶(50片)、煤烟病叶(103片)、缺素病叶(60片)、红蜘蛛叶(56片)和除草剂危害叶(85片),采集350～1 050 nm波段内的高光谱数据。分别利用一阶求导(1^stDer)、多元散射校正(MSC)和中值滤波(MF)方法对原始(Origin)高光谱数据进行预处理,对预处理后的高光谱数据采用主成分分析(PCA)和竞争性自适应重加权(CARS)算法提取特征波长,CARS降维得到的特征波长分别为10个、 5个、 12个和10个,4组PCA提取的特征波长均为7个,两种方法所得特征波长范围都集中在700～760 nm波段内。对全波段(FS)使用极限梯度提升树(XGBoost)算法,特征波长使用支持向量机(SVM)建立柑橘病叶多分类模型。采用XGBoost建立的检测识别模型有Origin-FS-XGBoost, 1^s...     

特征变量选择和回归方法相结合的土壤有机质含量估算

针对高光谱数据量大、信息冗余严重的现象,应用稳定竞争性自适应重加权采样(sCARS)、连续投影算法(SPA)、遗传算法(GA)、迭代保留有效信息变量(IRIV)和稳定竞争性自适应重加权采样结合连续投影算法(sCARS-SPA),从全波段光谱数据中筛选特征变量,并利用全波段和特征波段建立偏最小二乘回归(PLSR)、支持向量机(SVM)和随机森林(RF)模型预测土壤有机质含量。结果表明, PLSR和SVM模型结合特征变量选择,不仅提高了模型运算效率,而且模型预测能力较全波段均有一定提高;RF模型采用特征变量建模,对模型精度的提高不是十分明显,但其构建模型的变量数量却显著减少,大大提高建模效率。RF模型精度优于SVM和PLSR模型,IRIV结合RF建立的土壤有机质含量预测模型,变量数仅63个,校准集和验证集模型决定系数(R~2)分别为0.941和0.96,验证集相对分析误差(R_(PD))为4.8。与全波段建模相比,特征变量选择和回归方法相结合,在保证模型精度的同时,可有效提高建模效率。     

基于XGBoost与可见-近红外光谱的煤矸识别方法

煤矸智能识别是实现综放开采智能化亟待研发的新技术;可见-近红外光谱技术具有环保、实时等优势,满足煤矸智能分选的要求。为解决基于可见-近红外光谱的煤矸识别问题,引入在数据科学竞赛中表现出色的极端梯度提升树（XGBoost）算法。搭建可见-近红外光谱实验平台采集来自山西西铭、陕西神木、内蒙古巴隆图煤矿的块状煤与矸石样品在370～1 049 nm波段的反射光谱;利用黑白校正、始末波段去除、SG卷积平滑和标准正态变量变换（SNV）对采集的原始光谱进行预处理,以减少光照不均、噪声以及光程差的影响。依据三个煤矿煤与矸石样品反射光谱的差异划分实验组和测试组,实验组差异微小,用于对比不同模型的性能,挑选最佳算法;测试组差异较明显,用于测试最佳算法在其他煤矿下的表现,检验算法对不同煤矿的适用性。在实验组的实验中,首先基于XGBoost算法建立煤与矸石分类模型,并引入常用的机器学习分类算法k近邻法（KNN）、随机森林（RF）、支持向量机（SVM）做对比,结果表明XGBoost的表现最佳,十折交叉验证的平均准确度（ACC₁₀）、分类准确度（ACC）与AUC值分别达到0.957 2,0.970 5与0.971 6,体现出较强的稳定性与分类能力。其次为降低数据维度减少模型运算量,使用递归特征选择（RFE）、连续投影算法（SPA）与竞争性自适应重加权算法（CARS）分别进行特征波长的选择并与上述四种分类算法结合构建简化分类模型,经测试RFE与XGBoost组合的简化模型表现最佳,ACC₁₀,ACC与AUC值分别为0.965 7,0.980 3与0.980 3且数据维度降至9,在降低数据维度的同时提高了模型的稳定性与分类能力。在测试组的实验中,基于优选出的XGBoost与RFE-XGB算法建立的模型,同样可以实现对其他矿区煤与矸石稳定精确地识别,且简化模型表现更好,与实验组结果一致。     

基于ICA与SVM算法的高光谱遥感影像分类

提出了一种利用独立分量分析(ICA)与支撑向量机(SVM)算法进行高光谱遥感影像分类的新方法。采用ICA算法对高光谱遥感影像(PHI传感器获取,80波段)进行了特征提取,并以提取出的影像数据(光谱维数为20)构建SVM分类器。对SVM算法进行核函数删选与参数寻优后,发现采用RBF核的SVM算法(C=103,γ=0.05)分类结果最佳,分类精度与Kappa系数分别达94.5127%与0.935 1,优于BP-神经网络(分类精度39.4758%,Kappa系数0.315 5)、波谱角分类(分类精度80.282 6,Kappa系数0.770 9)、最小距离分类(分类精度85.462 7%,Kappa系数0.827 7)以及最大似然分类(分类精度86.015 6%,Kappa系数0.835 1)4种方法。针对分类结果常出现的"椒盐"现象,利用形态学算子对SVM(RBF核)分类结果进行了类别集群处理,将分类精度与Kappa系数分别提高至94.758 4%与0.938 0,获得了更接近实况的分类图像。结果表明:ICA结合SVM算法准确率高,是高光谱遥感影像分类的优选方法,且类别集群是优化影像分类的有效方法之一。     

改进粒子群优化算法的高光谱波段选择

高光谱图像具有数百个连续、狭窄的光谱带,光谱范围跨越可见光到红外光,可提供地物的精细光谱属性,对于地物材质和属性的识别分类具有重要应用价值。针对感兴趣目标选择有限的光谱波段进行传输和处理,对于提升高光谱数据处理时效性、以及设计面向特定应用的实用化光谱仪都具有重要意义。而如何结合目标特征选择最优波段成为在提升处理效率的同时保证目标识别或分类精度的必然要求。因此如何从数以百计维度的高光谱图像中选择出具有较好分类识别能力的波段子集是急需解决的问题。提出基于改进粒子群优化算法的高光谱波段选择方法,该方法区别于传统的粒子群优化算法,引入 “概率突跳特性”,并设定新解的淘汰机制,将“停滞”的新解进行淘汰,提高了算法的全局寻优性能。然后基于目标光谱特征采用了最优波段选择的优化目标函数,通过改进的粒子群优化算法求解目标函数,并将选定的波段子集反馈到支持向量机（SVM）中执行分类应用。采用两个标准的高光谱数据集（Indian Pines, Salinas）对选择出的波段子集进行分类测试,结果表明该方法相较于现有方法具有较高的分类精度,在几种方法中,传统的粒子群算法筛选出的波段效果最差;该算法筛选出的波段的分类精度最好,两个数据集的分类精度分别可以达到98.141 4%和99.084 8%。     

荒漠绿洲区带状防护林遥感提取方法研究——以磴口为例

防护林是我国荒漠绿洲区主要植被类型，可为该地区防风固沙、水盐调控、水热平衡提供有力保障，调查防护林空间分布信息十分重要。然而荒漠绿洲防护林条带较窄、斑块面积小、分布广且零散，不易大尺度准确提取。为解决此难点，以磴口县荒漠绿洲为研究区，基于GF-2号遥感影像，采用面向对象分类技术提取防护林空间分布信息。分类前，首先基于局部方差（LV）和LV变化率（ROC）曲线，选取分割防护林的最优分割尺度。然后采用随机森林（RF）算法的袋外误差率（OOB error）及基尼系数（Gini）对包含光谱、形状和纹理的分类特征进行重要性评估并筛选特征、优化模型参数；最后，基于随机森林、CART决策树、支持向量机（SVM）、K近邻（KNN）四种分类器提取防护林空间分布信息并对比验证。结果表明：(1）采用ROC-LV曲线方法相比于遍历分割参数，可更客观更高效地筛选最优分割参数的可能值；(2）基于RF算法计算的袋外误分率和基尼系数可以有效筛除冗余特征，配合分类器参数优化，在保证分类精度的同时，有效提高分类器性能，大幅提升数据处理速度；(3）基于实测数据集对分类结果进行验证，结果显示基于随机森林算法的特征优化结合SVM分类器提取的防护林空间分布信息精度最高，生产者精度达到97.14%，总体防护林面积为208.99 km2，与实际210 km2接近，在小区块中，SVM分类器的分类效果优于其他三种分类器；(4）因GF-2影像分辨率高，并且含有近红外波段，通过波段合成得到亚米级信息，故基于面向对象的方法能够以单条林带为基本单位研究防护林林网属性，例如提取断带信息等林网结构特征。研究结论可为荒漠绿洲区带状防护林提取提供重要技术支撑。     

高光谱与机器学习相结合的大白菜种子品种鉴别研究

提出了基于高光谱信息的大白菜种子品种分类识别方法。利用近红外高光谱图像采集系统采集了八种共239个大白菜种子样本;提取15 pixel×15 pixel感兴趣区域平均光谱反射率信息作为样本信息;采用多元散射校正预处理方法对光谱进行消噪;验证了Ada-Boost 算法、极限学习机(extreme learning machine, ELM)、随机森林(random forest, RF)和支持向量机(support vector machine, SVM)四种分类算法的分类判别效果。为了简化输入变量,通过载荷系数分析选取了10个大白菜种子品种分类判别的特征波长。实验结果表明,四种分类算法基于全波段的分类识别对81个预测样本的正确区分率均超过90%,最优的分类判别模型为ELM和RF,识别正确率达到了100%;以10个特征波长的分类判别精度略有下降,但输入变量大幅减少,提高了信息处理效率,其中最优分类判别模型为EW-ELM模型,判别正确率为100%,因此以载荷系数选取的特征波长是有效的。利用高光谱结合机器学习对大白菜种子品种进行快速、无损分类识别是可行的,为大白菜种子批量化在线检测提供了一种新的方法。     

基于随机森林特征重要性和区间偏最小二乘法的近红外光谱波长筛选方法

为建立快速近红外光谱定量分析模型，特征波长筛选是提高定量分析预测精度较为有效的方法之一。它能够筛选出有效波长信息，减少数据冗余、提高数据有效性。随机森林(RF)作为一种集成算法，可根据计算特征重要性进行特征筛选。RF将基于袋外数据(OOB)的平均精度下降(MDA)方法计算均方误差平均值作为特征重要性结果，通过设置特征重要性阈值筛选特征变量构成特征波长子集，但该阈值范围的设定无理论依据，因此需要对特征重要性阈值范围进行探究。另一方面，由于RF的随机特性，特征波长子集中可能包含无效甚至是干扰变量，并不能保证所选变量的有效性。故而进一步提出RF-iPLS波长筛选方法。区间偏最小二乘法(iPLS)筛选出的特征波长多为连续特征波段的特性，对特征波长子集划分区间，弥补RF因自身随机性造成的无效变量问题；同时，RF筛选的离散特征波长解决了iPLS筛选的连续波段中含冗余信息的问题。为了说明RF-iPLS算法的合理性，特征子集经过蒙特卡洛(MC)方法500次样本特征采样后，构建RF-MC-iPLS算法。虽然RF-iPLS与RF-MC-iPLS算法结构接近，但运行时间缩短了11.12%,结果说明RF-iP...     

空-谱二维蚁群组合优化SVM的高光谱图像分类

提出了一种空-谱二维特征蚁群组合优化支持向量机的高光谱图像分类算法。利用两类蚁群分别在光谱维空间和样本分布空间交替搜索最大类间距波段组合和异质样本,提取最优特征波段,降低了高光谱的波段信息冗余,去除训练样本中的异质样本,优化了训练样本特征空间分布。将蚁群组合优化后的高光谱图像和训练样本应用到支持向量机(SVM)分类器中,扩大了特征空间类间距,提高了SVM算法的分类精度。实验表明该算法总分类精度达95.45%,Kappa系数0.925 2,是一种分类精度较高的高光谱图像分类方法。     

云计算的蚕豆虫害可见-近红外光谱分类

利用蚕豆叶片可见-近红外反射光谱结合导数光谱对健康、少量、大量虫害三种等级的实验样本进行光谱特征分析,并选择虫害检测最优波段。采用Hadoop,Spark和VMWare虚拟机搭建云计算平台,使用MLlib机器学习库实现人工神经网络(ANN)和支持向量机(SVM)分类算法,并对三种等级蚕豆叶片全波段和最优波段光谱进行分类建模与预测。结果表明ANN虫害光谱分类模型准确率优于SVM虫害光谱分类模型,并且在云平台上运行效率更高,同时全光谱波段的预测准确性高于最优波段。通过扩展光谱数据集,云计算技术在光谱数据挖掘中的计算效率有显著提升。云计算分类检测可以为作物生物胁迫光谱识别提供新的技术和方法。     

近红外光谱的海水微塑料快速识别

光谱技术与机器学习算法结合快速识别微塑料, 为微塑料的现场检测提供了极大的技术支持,是一个得到极大关注的新领域。近红外光谱检测技术具有检测速度快、灵敏度高、不损坏样品,且可以在不对样品进行预处理的情况下直接检测等特点,在化学分析、质量检测等领域广泛应用。本文基于近红外光谱检测技术,研究比较了结合Support Vector Machine（SVM）和Extreme Gradient Boosting（XGBoost）两种机器学习分类算法,构建微塑料的高速有效识别分类模型。采用微型近红外光谱仪采集了20种常见的微塑料标准样品的光谱数据,为了防止过拟合,对每种样品多次采样,共收集了1 260个微塑料样本,每个样本包含512个数据点。利用XGBoost算法进行特征重要性排序,共提取了对识别准确率影响较大的65个数据点。分别采用SVM算法和XGBoost算法对数据降维后提取的65个数据点建立微塑料快速识别模型,并运用网格搜索（GridSearchCV）对XGBoost算法影响较大的超参数进行选取,确定n_estimators,learning_rate,min_child_weigh,max_depth,gamma的最佳超参数分别为700,0.07,1,1,0.0。为了提高模型的稳定性,识别速率和泛化能力,对模型采用10折交叉验证和混淆矩阵评估;研究结果表明,XGBoost模型对微塑料的识别准确率为97%,而SVM模型对微塑料的识别准确率为95%;XGBoost模型对微塑料识别的正确率优于SVM模型。综上所述,XGBoost模型微塑料识别整体性能优于SVM模型,为实际微塑料快速识别提供技术支撑。     

综合光谱纹理和时序信息的油茶遥感提取研究

具有极高营养价值且被誉为东方“橄榄油”的油茶树是我国南方地区重要经济林,我国是世界上油茶树分布最广的国家。提取油茶种植分布和面积对林业部门开展油茶的宏观管理和生产指导具有重要意义。以地处亚热带地物复杂且多山地丘陵的湖南省常宁市为研究区,该区域分布有大量农田和森林,且部分植被季节变化较大,对油茶的遥感提取带来了很大挑战。提出了基于春夏秋三期的GF-2号高分辨率卫星影像,综合植被指数、纹理特征、 PCA主成分3种特征,以及春夏、春秋、夏秋、春夏秋四种不同时序组合和随机森林(RF)算法共构建了17种分类场景(S1—S17),运用随机森林(RF)、支持向量机(SVM)、最大似然(MLC)三种不同分类算法开展油茶遥感提取实验,筛选出最优特征组合、最佳分类季节与最优时序组合、最优分类方法。结果表明：仅基于光谱信息分类精度低,纹理特征的加入可大幅提升精度,而PCA对于精度的提升效果微弱;通过比较不同季节单时期的分类结果发现油茶提取精度最高的季节为夏季,夏季单时期影像在最优特征组合(S8)中油茶生产者精度(PA)为94.06%,油茶用户精度(UA)为92.57%;在分类场景S10—S17中实验发现,采...     

基于支持向量机(SVM)特征加权/选择的光谱匹配算法

高光谱数据波段多、冗余大,为了提高数据的分析效率和精度,降维是一个关键步骤。文章在文献(参考了后面的文献[18])研究的基础上,引入了迭代SVM特征选择/加权算法,为多目标遗传优化获取最优参考光谱提供一个包含有效分类信息的低维空间。基于Indiana-AVIRIS高光谱数据的实验表明,特征加权/选择的引入使光谱匹配分类精度提高了13%(相对于无特征选择的情况而言)。文章还根据光谱样本距SVM分类面的远近,定义和计算了局部权重,不仅细致刻画了同类光谱样本在局部特征空间中的分布,还使光谱相似度的计算更加灵活化,精度提高幅度达到了17%(相对于无特征选择的情况而言)。文章研究方法的提出推进了SVM在光谱数据分析中的应用深度和广度。     

高光谱成像的柑橘病虫害叶片识别方法

为监测柑橘生长状况,实现病虫害无损识别,利用高光谱成像技术和机器学习方法进行柑橘病叶分类研究。使用高光谱成像仪采集46片柑橘正常叶、46片溃疡病叶、80片除草剂危害叶、51片红蜘蛛叶和98片煤烟病叶的高光谱图像,在478～900 nm光谱范围内对每个叶片一个或多个发病区提取5×5的感兴趣区域（ROI）,将ROI内每个像素的反射率值作为光谱信息,则一个ROI得到25个光谱信息样本,最终五类叶片共得到13250个光谱样本。利用随机法将全部样本划分为9 938个训练集和3 312个测试集。分别采用一阶求导（1stDer）、多元散射校正（MSC）和标准正态变换（SNV）三种方法对原始光谱信息进行预处理,对不同预处理方法后的数据采用主成分分析法（PCA）提取特征波长。1st Der预处理后得到7个特征波长,分别是520.2,689.0,704.8,715.4,731.2,741.8和757.6 nm;MSC和SNV预处理后得到7个相同的特征波长,分别是551.9,678.5,704.8,710.1,725.9,731.2和757.6 nm;原始光谱得到7个特征波长,分别是525.5,678.5,710.1,720.7,725.9,757.6和762.9 nm。分析PCA后的样本分布散点图可知,正常叶片、溃疡病叶片和红蜘蛛叶片样本有一定程度聚类,除草剂叶片和煤烟病叶片样本有大量重叠,仅依据PCA不能完成病虫害叶片的识别。对全波段（FS）和PCA特征波长数据在不同预处理方法下进行支持向量机（SVM）和随机森林（RF）建模,结果表明：数据在1stDer预处理方法下识别效果最佳,1st Der-FS-SVM模型总分类精度（OA）为95.98%,Kappa系数为0.948 2,1st Der-FS-RF模型OA为91.42%,Kappa系数为0.889 2,1stDer-PCA-SVM模型OA为90.82%,Kappa系数为0.881 6,1stDer-PCA-RF模型的OA为91.79%,Kappa系数为0.894;对PCA选择的特征波长数据建模,SVM和RF模型下识别率均达到84%,全波段下模型识别率在88%以上,FS数据建模效果优于PCA特征波长。研究结果表明,高光谱成像技术结合机器学习方法进行柑橘叶片分类是可行且有效的,为柑橘病虫害的无损准确识别提供理论根据。     

基于i PLS的矿井突水激光诱导荧光光谱特征波段筛选

矿井突水一直威胁着煤矿井下施工人员的生命安全,准确且快速识别矿井突水水源类型对于矿井的安全生产起到关键性作用。激光诱导荧光(LIF)光谱技术识别矿井突水水源,有效避免了常规的水化学法需要测定多种化学参数,水源识别时间过长的缺点。提出一种间隔偏最小二乘法(iPLS)与粒子群联合支持向量分类算法(PSO-SVC)相结合的方法,iPLS算法常应用于光谱波段优选和模型的回归分析,PSO-SVC则在机器学习领域有着重要的应用,激光诱导荧光技术具有快速的时间响应、测量精度高等特点,iPLS和PSO-SVC算法运用于光谱图和光谱数据的分析,进而可以对突水水源类型识别分类。首先,用淮南矿区采集到的7种(每种水样30组)共210组荧光光谱数据进行实验,对老空水、灰岩水、灰岩水和老空水不同体积比混合水样的激光诱导荧光光谱图的差异性进行分析。比较了留出法和Kennard-Stone样本划分方法所得到的PSO-SVC模型分类准确率,采用留出法得到的训练集水样(140组)和测试集水样(70组)作为实验样本。其次,用iPLS算法将全光谱波段依次按10～25波段区间进行等分,选取划分区间的RMSECV(交叉验证均方根误差)值小于全光谱波段RMSECV值(阈值)的波段作为特征波段,结合光谱图对比分析了划分10和14个子区间的建模结果,发现通过直接观察得到的特征波段与iPLS算法筛选出的特征波段存在误差。最后,在不进行去噪、降维等预处理条件下,根据iPLS划分不同区间数的评价指标统计数据,选取划分11个区间所筛选出具有561个波长点的410.078～478.424和545.078～674.104 nm特征波段范围数据作为PSO-SVC模型的输入,以iPLS结合PSO-SVC算法筛选出的特征波段与全光谱波段、直接观察得到波段建模准确率相比,训练集与测试集的分类准确率高达100%,PSO寻优到的最佳惩罚系数c为1.367 0,核函数参数g为0.576 2。从实验结果可以看出,利用iPLS进行荧光光谱的特征波段筛选是切实可行的,提取出的特征波段能充分反映出全光谱波段的有效信息,为激光诱导荧光光谱技术用于矿井突水水源精准在线识别的研究提供了理论依据。     

结合纹理和空间特征的多光谱影像面向对象茶园提取

云南茶园主要分布于山区,往往与其他地物混合,破碎化程度高,给基于遥感的高精度茶园提取带来困难。破碎化山地茶园的遥感识别能力有待进一步提高。以西双版纳北部及普洱市南部山区为研究区,以高分一号(GF-1)遥感影像为数据源,基于易康(eCognition9.0)软件,采用多尺度分割(MRS)方法对影像进行分割,并通过ED3_Modified评估影像的最优分割尺度。首先构造了包括14个光谱特征、6个纹理特征和3个空间特征的23维初始特征,通过计算样本的分离度对分类特征空间进行优化,确定了16维最优特征空间。然后应用面向对象的监督分类方法[贝叶斯(Bayes)、决策树5.0(DT5.0)及随机森林(RF)]对研究区茶园进行提取。采用实地调查样点和随机点结合的方法对提取结果进行精度验证,并比较了不同分类方法的茶园提取精度。面向对象的监督分类[多分类（茶园、森林、农田、不透水层、水体）]结果的总体精度(OA)和Kappa系数分别为(Bayes: 87.73%, 0.70),(DT: 88.52%, 0.72),(RF: 91.23%, 0.78)。三种分类方法对茶园提取的生产者精度(PA)和使用者精度(UA)分别为(Bayes: 67.23%, 75.33%),(DT: 68.84%, 83.83%),(RF: 70.54%, 87.13%);相比于面向对象的RF多分类,面向对象RF二分类（茶园、其他地物）OA和Kappa系数分别提高了3.24%和0.07,茶园提取的PA与UA分别提高了5.99%和5.61%;相较于仅利用光谱特征的基于像元的RF多分类,面向对象的RF二分类OA与Kappa系数分别提高了23.32%和0.27,茶园提取PA与UA分别提高了21.10%和29.03%。结果表明：采用面向对象的监督分类方法在对茶园提取方面有应用潜力,尤其面向对象的RF分类精度更高,二分类相较于多分类对于茶园提取更为精细和准确。该方法对于复杂、破碎山地茶园提取精度较高,能够满足基于高空间分辨率多光谱影像的茶园精细化识别应用需求。     

激光诱导击穿光谱结合XGBSFS特征优选的废钢分类识别方法

我国每年的钢铁生产与出口量位居世界前列,而在钢铁生产过程中产生的废钢是一种重要的资源。废钢的精准分类是电炉炼钢的关键环节,对于环境能源的可持续发展也具有重要意义。为了提高废钢回收利用的效率,提出了一种利用激光诱导击穿光谱结合XGBSFS特征优选的废钢牌号智能识别方法,与k最邻近算法(kNN)、支持向量机(SVM)分类算法联合建立了XGBSFS-SVM、 XGBSFS-kNN两种优化模型。首先通过Lapa-80型固体脉冲激光器采集3类共18种不同的废钢样品在170～400 nm范围内的激光诱导击穿光谱数据,通过k值校验剔除光谱数据中的粗大误差,并对剔除后剩余的数据进行平均,每个样品28组共得到504组平均光谱数据;然后对光谱数据进行基线校正、归一化等预处理,降低基体波动影响;最后将处理后的光谱数据从每类钢种中提取一个样品的数据作为模型的测试集,剩余数据作为模型的训练集,并提取光谱数据中Si, Cu和C等元素的16条特征谱线作为分类特征,用于模型的输入,经过基于XGBoost的XGBSFS特征选择算法对变量进行优化后,应用kNN、 SVM建立废钢智能识别模型。XGBSFS-SVM、 XGB...     

支持向量机复合核函数的高光谱显微成像木材树种分类

采用体视显微高光谱成像方法,构建木材树种分类识别模型。利用SOC710VP体视显微高光谱图像采集系统获取可见光/近红外（372.53～1 038.57 nm）波段内的木材高光谱图像。首先,采用ENVI软件提取木材样本感兴趣区域（ROI）的平均光谱,分别采用连续投影算法（SPA）和竞争性自适应重加权算法(CARS)对光谱数据进行降维。再利用支持向量机（SVM）分别建立木材样本采集波段和特征波长下的分类模型。然后,在空间维采用第一主成分图像,计算基于灰度共生矩阵（GLCM）的木材纹理特征。在0°,45°,90°和135°四个方向计算能量、熵、惯性矩、相关性等16个特征参数后输入SVM进行木材树种分类处理。最后,采用四个复合核函数SVM进行光谱维和空间维的特征融合及分类识别。20个树种的分类实验结果表明,CARS的特征波长选择效果和运行速度较好一些,采用普通SVM进行木材光谱维特征分类处理时,测试集分类准确率达到了92.166 7%。采用基于GLCM的木材空间维纹理特征时,采用普通SVM的测试集分类准确率是60.333 0%,具有较低的分类精度。在将光谱维和空间维纹理特征进行数据融合及分类处理时,采用复合核函数SVM分类具有更好的效果。采用第二个复合核函数的SVM分类精度最高,测试集分类正确率是94.166 7%,运行时间为0.254 7 s。另外,采用第一个和第三个复合核函数的SVM的测试集分类准确率分别是93.333 3%和92.610 0%,运行时间分别为0.180 0和0.260 2 s。可以看出,采用这3种复合核函数的SVM进行木材树种分类,分类精度都高于采用普通SVM的光谱维或者空间维的分类识别精度。因此,利用体视显微高光谱成像和复合核函数SVM可以提高木材树种分类精度,为木材树种快速分类提供了参考。